做文本分类这几年，我从最原始的词典匹配一路换到word2vec、textCNN，再到BERT，每一步升级感受都很明显，但最让我觉得“省心”的，还是BERT。省心不是因为它精度一定最高，而是它几乎把特征工程这件事从流程里彻底拿掉了。我这次拿一个酒店评论情感分类项目来完整拆解代码，从选型、数据预处理、模型加载到训练调参，一条线全讲清楚。标题虽然写的是“分析”，但我会把落脚点放在“能跑的代码”上。适合谁看？两类人：一类是刚入门NLP、想搞懂BERT在分类任务上到底怎么用的小白，另一类是以前用词向量或CNN做分类、想整体迁移到BERT流派的工程师。这两类人读这篇文章应该都不亏。
酒店评论这个场景选得比较典型，因为文本短、口语化重、情绪词密度高，而且正负面表达非常直观。这类数据用传统方法其实也能做，但BERT能把一些“绕弯子”的评论也抓出来，比如“房间还行就是空调太吵了”，这种转折结构，词袋模型基本没戏，BERT就能拿捏。下面我把整个项目从零拆开。
1. 为什么是BERT：酒店评论情感分类的选型逻辑
1.1 传统文本分类的痛点出在“语义理解”上
在BERT之前，做情感分类最常见的套路是把句子切词、去掉停用词、用word2vec或fastText把词向量化，然后送进textCNN或TextRNN。这条路最大的问题在于：词向量是静态的。每个词只有一个固定的向量表示，多义词没法根据上下文切换含义。比如说酒店评论里“干净”这个词，正面语境叫“环境很干净”，负面语境叫“服务员态度不干净利落”，静态向量的效果就大打折扣。
更有意思的问题是转折和否定。像“没有想象中那么差”这句话，如果只看词的出现顺序和频率，模型很容易被“差”这个字带走，分类成负面。人的理解是“差”被前面的“没有”和“那么”修正了，整体其实是偏正面的。这个层次的语义理解，词袋模型和CNN都是做不到的，因为它们的感受野要么是词级别的孤岛，要么只有几格的局部窗口。
1.2 BERT带来了什么改变
BERT的核心是Transformer的双向编码器，它预训练阶段用两个任务来学习语言：掩码语言模型和下一句预测。简单理解就是，模型在训练时见过海量文本，学会了“一个词在什么语境下大概是什么意思”，所以用它来做下游任务时，我们只需要给它一个分类头，再做简单微调就行。
对于酒店评论这种短文本，BERT有几个天然优势。
第一，动态词向量让“干净”“差”“好”这样的词在不同语境下拥有不同的向量表示。第二，Transformer的注意力机制能捕捉长距离依赖，转折结构、否定结构里面的修饰关系都能被建模到。第三，迁移学习让数据需求量大幅下降。传统方法做个像样的分类器，可能得几万甚至几十万条标注数据，而BERT哪怕只有几千条标注也能跑出不错的baseline，这在很多小项目里非常实际。
这个项目的任务定义很明确：输入一段酒店评论文本，输出正面或负面标签。如果你数据里还有中性，做三分类也完全没问题，框架上几乎不用改。
2. 数据准备与预处理，决定项目成败的第一步
2.1 数据探索与标签梳理
动手之前先看数据，这一步很多人会跳过，我建议别跳。酒店评论数据通常长什么样？大概是“位置很好，离地铁站步行五分钟”“早餐种类太少了，性价比一般”这类口语化句子。可能还夹杂着表情符号、网址、繁体字甚至乱码。
先把数据读进来看看分布：
import pandas as pd df = pd.read_csv("hotel_reviews.csv") print(df.head()) print(df["label"].value_counts())这个项目我用的是二分类数据，标签为1表示正面，0表示负面。如果你的数据里有0、1、2三分类，后面只需要把分类头的输出维度改成3。标签分布这里要特别留意，如果正负样本比例严重失衡，比如正面占了90%，那么后续训练和评估都要做相应调整，比如用加权损失函数或者用F1分数替代准确率。
有一个我在实践中反复踩过的坑：很多公开数据集里的标签并不是均衡的，训练时模型可能把“全部预测为多数类”当一个捷径学到，最后准确率看着有80%多，实际上什么都没学会。所以先统计比例，再决定后续策略。
2.2 清洗与极简预处理
预处理的度很难把握。BERT有自己的分词器，它对中文是按照字级别处理的，所以不需要再用jieba去切词。这一点很多人容易惯性操作，上来就分词，结果反而破坏了BERT对中文文本的原始理解。
我的清洗方案非常简单，做三件事：
import re def clean_text(text): # 去掉网址 text = re.sub(r"http\S+", "", text) # 去掉多余空白符 text = re.sub(r"\s+", "", text) # 去掉无意义的特殊符号，但保留中英文、数字和常见标点 text = re.sub(r"[^\u4e00-\u9fa5a-zA-Z0-9，。！？、；：,.!?;:]+", "", text) return text df["clean_comment"] = df["comment"].apply(clean_text)注意一个细节：表情符号。一句话如果出现“哈哈哈哈哈”这种文本，模型能识别出开心；但如果出现😊这类emoji，BERT的词典里通常没有对应的token。我是直接去掉的，因为对情感分类任务，emoji本身携带的情感信息在中文评价文本里占比不大，去掉不会影响整体效果，但能让输入更干净。
还有一点，去停用词这个操作在BERT这里我不建议做。BERT的分词器是把文本切成一连串token，它预训练时看到的就是完整的句子，你把“的”“了”“很”这些词删掉，反而破坏了句子的语法结构，模型原本能捕捉的语义信息就丢了。
2.3 数据集的划分策略
划分方式直接影响后续模型评估的可信度。我习惯用分层采样，保证训练集、验证集和测试集里的正负比例和原始数据一致。
from sklearn.model_selection import train_test_split train_df, temp_df = train_test_split( df, test_size=0.2, stratify=df["label"], random_state=42 ) val_df, test_df = train_test_split( temp_df, test_size=0.5, stratify=temp_df["label"], random_state=42 ) print(len(train_df), len(val_df), len(test_df))这里有个常被忽略的点：验证集和测试集要分开，不要只用一份数据既调参又报最终指标。验证集是给你在训练过程中选模型的，测试集是最后统一评估泛化能力用的，混在一起会让最终结果偏乐观，上线后被真实数据打脸。
3. 核心代码：加载BERT与构建分类模型
3.1 环境依赖与版本匹配
先把环境收拾利索。这个项目用到的核心库是transformers和torch。版本匹配很关键，不同版本的transformers接口有差异，我在一台新机器上装环境时经常被版本坑。
pip install torch==2.0.1 transformers==4.28.1 pandas scikit-learn如果你的机器有显卡，还需要确认CUDA版本和torch是匹配的。我建议安装完先跑一个简单的检查：
import torch print(torch.__version__) print(torch.cuda.is_available())如果cuda.is_available()返回False，后面训练全部走CPU，速度会慢到让人怀疑人生。现在很多云环境会有坑，比如torch默认装的CPU版本，重新安装GPU版本就好。
3.2 Tokenizer的用法与常见误区
BERT模型的文本输入不能是字符串，必须经过分词转换成输入ID。tokenizer是这一流程的核心工具。中文场景首选的预训练模型是bert-base-chinese，这个模型在中文语料上预训练过，词典覆盖和分词粒度都贴合中文文本。
from transformers import BertTokenizer tokenizer = BertTokenizer.from_pretrained("bert-base-chinese") def encode_texts(texts, max_length=128): return tokenizer( texts, padding=True, truncation=True, max_length=max_length, return_tensors="pt" )这里解释一下几个参数。
padding=True的作用是把同一个批次里的文本pad到相同长度。因为PyTorch的DataLoader要求一个batch里的张量形状一致，所以短句子就得补到最长句子的长度。truncation=True是当句子超过max_length时直接截断。return_tensors="pt"表示返回PyTorch的Tensor格式。
max_length的选择我习惯先用数据分布说话：
lengths = [ len(tokenizer.encode(text, add_special_tokens=False)) for text in train_df["clean_comment"] ] print(pd.Series(lengths).describe())看一下句长分布，如果80%的样本都在100以内，max_length设128基本够用。太长的文本截断后信息会丢，太短则浪费计算资源。这个参数在推理阶段也要保持一致，否则训练和预测的输入分布不一致，效果会有小幅下降。
3.3 自定义Dataset与DataLoader
tokenizer拿到了编码好的输入，接下来要封装成PyTorch可以迭代的数据集。这里有一个极易出错的地方：BERT的输入除了input_ids，通常还需要attention_mask。这个mask的作用是告诉模型哪些位置是真实文本、哪些位置是padding，注意力机制计算时会忽略padding部分。
我自己写Dataset是这样的：
from torch.utils.data import Dataset class ReviewDataset(Dataset): def __init__(self, texts, labels, tokenizer, max_length=128): self.texts = texts self.labels = labels self.tokenizer = tokenizer self.max_length = max_length def __len__(self): return len(self.texts) def __getitem__(self, idx): text = self.texts[idx] label = self.labels[idx] encoded = self.tokenizer( text, padding="max_length", truncation=True, max_length=self.max_length, return_tensors="pt" ) return { "input_ids": encoded["input_ids"].squeeze(0), "attention_mask": encoded["attention_mask"].squeeze(0), "label": torch.tensor(label, dtype=torch.long) }padding="max_length"在这里和前面batch-level padding有一个区别：每个样本都精确pad到max_length。这样做的优点是DataLoader不用再动态做padding，简单直接，缺点是会浪费一点计算资源。对小项目来说，这个浪费完全可接受，代码却简单了很多。从工程角度看，用清晰换取一点性能非常划算。
然后构建DataLoader：
from torch.utils.data import DataLoader train_dataset = ReviewDataset( train_df["clean_comment"].tolist(), train_df["label"].tolist(), tokenizer ) train_loader = DataLoader(train_dataset, batch_size=16, shuffle=True)4. 训练环节：参数设置与完整训练代码
4.1 学习率、轮数与几个关键参数的取舍
训练BERT和训练普通神经网络很不一样。预训练模型的参数已经有了很好的语义先验，微调时如果学习率太大，会覆盖掉预训练学到的东西，业界称这个现象为“灾难性遗忘”。如果学习率太小，训练又会陷入长时间停滞。我实测下来，2e-5是个稳妥的起点，1e-5更保守，5e-5通常偏激进，容易在验证集上看到明显的震荡。
训练轮数方面，小数据集上2到3个epoch就够了。酒店评论如果只有几千条，跑3个epoch基本收敛。再多轮数不会带来明显提升，反而可能过拟合——训练集loss持续下降但验证集loss开始反弹。
另外还有一个warmup的概念，它的作用是让模型在训练开头的几步里用很小的学习率热身，然后逐渐增加到设定值，最后再衰减。这个机制能有效避免训练初期的大幅度更新破坏预训练权重。
from transformers import BertForSequenceClassification from torch.optim import AdamW from transformers import get_linear_schedule_with_warmup model = BertForSequenceClassification.from_pretrained( "bert-base-chinese", num_labels=2 ) optimizer = AdamW(model.parameters(), lr=2e-5) total_steps = len(train_loader) * epochs scheduler = get_linear_schedule_with_warmup( optimizer, num_warmup_steps=int(total_steps * 0.1), num_training_steps=total_steps )我在选择优化器时用过普通的SGD，效果不好，BERT微调圈里现在基本都用AdamW。它是Adam的修正版，把权重衰减和梯度更新解耦了，更适合预训练模型的微调场景。如果你想深入理解，可以去看原论文，但工程上直接用就是正确选择。
4.2 训练循环代码解析
训练的核心就一个循环，但里面的细节值得逐行看。
device = torch.device("cuda" if torch.cuda.is_available() else "cpu") model.to(device)模型和数据都要搬到GPU上。忘了做这一步是新手最常出的问题，经常会看到报错说tensor不在同一设备上。
然后是训练循环主体：
from tqdm import tqdm model.train() for epoch in range(epochs): total_loss = 0 progress_bar = tqdm(train_loader, desc=f"Epoch {epoch+1}") for batch in progress_bar: input_ids = batch["input_ids"].to(device) attention_mask = batch["attention_mask"].to(device) labels = batch["label"].to(device) outputs = model( input_ids=input_ids, attention_mask=attention_mask, labels=labels ) loss = outputs.loss loss.backward() # 梯度裁剪，防止梯度爆炸 torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=1.0) optimizer.step() scheduler.step() optimizer.zero_grad() total_loss += loss.item() progress_bar.set_postfix({"loss": f"{loss.item():.4f}"}) avg_loss = total_loss / len(train_loader) print(f"Epoch {epoch+1} average loss: {avg_loss:.4f}")细看几个操作。
model(input_ids, attention_mask, labels)这段代码中，labels传入后，transformers会自动计算交叉熵损失。很多人会疑惑为什么不自己写损失函数，其实这是BERT分类模型的接口设计，传入labels就自动返回loss，省去自己写forward计算的一堆代码。
clip_grad_norm_是梯度裁剪，把梯度向量的范数限制在1.0以内。BERT这类Transformer模型训练时偶尔会出现梯度爆炸，loss一下变成NaN，加了裁剪能大幅降低这个概率。
optimizer.step()更新参数，scheduler.step()更新学习率，最后zero_grad()把梯度清零。顺序一定不能错，特别是zero_grad的位置，必须在backward之前已经清零，我这里放在step之后，下个batch的backward会基于清零后的梯度重新计算，是常见写法。
有一个小经验：把训练过程的loss打印出来，如果loss在第一个epoch里没有明显下降趋势，大概率是学习率太小或数据预处理出了问题，别急着加大轮数硬跑，先定位原因。
5. 验证与预测：别只盯着准确率
5.1 评估指标与混淆矩阵
训练结束后，要在验证集和测试集上评估模型表现。二分类场景我习惯同时看准确率、精确率、召回率和F1分数。准确率容易被多数类主导，而精确率和召回率分别回答两个问题：模型预测为正面时有多少是对的，实际为正面时模型找回来多少。
写一个简单的评估函数：
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score, confusion_matrix def evaluate(model, dataloader): model.eval() all_preds = [] all_labels = [] with torch.no_grad(): for batch in dataloader: input_ids = batch["input_ids"].to(device) attention_mask = batch["attention_mask"].to(device) labels = batch["label"].to(device) outputs = model(input_ids=input_ids, attention_mask=attention_mask) logits = outputs.logits preds = torch.argmax(logits, dim=-1) all_preds.extend(preds.cpu().numpy()) all_labels.extend(labels.cpu().numpy()) print("Accuracy:", accuracy_score(all_labels, all_preds)) print("Precision:", precision_score(all_labels, all_preds)) print("Recall:", recall_score(all_labels, all_preds)) print("F1:", f1_score(all_labels, all_preds)) print("Confusion Matrix:") print(confusion_matrix(all_labels, all_preds))评估时需要切换成推理模式，就是那句model.eval()。它和with torch.no_grad()共同作用，关闭dropout和梯度计算，让前向推理结果稳定且省显存。这里有个容易搞错的点：判断模型是否在train()模式会影响BERT内部的dropout层，如果做预测前忘了切回eval()，同样的输入两次预测结果可能不一样，因为dropout随机丢弃了一部分神经元。
混淆矩阵值得认真看看。如果负面样本被大量误判成正面，说明模型对负面表达的识别偏弱，可能需要补充数据或调整类别权重。反过来，如果正负样本预测数量严重不对等，往往说明模型学会了某种捷径，要回到特征层面排查。
5.2 单条评论预测和模型保存
模型评估没问题，保存模型和tokenizer，方便后面部署或二次训练：
model.save_pretrained("hotel_bert_model") tokenizer.save_pretrained("hotel_bert_model")保存时不建议只保存pytorch_model.bin，最好把config.json和tokenizer相关的文件一起存，使用起来才不用重复加载预训练权重。
单条评论预测是一个很常见的工程场景，比如线上对用户新增评论实时打标：
def predict_single(text): model.eval() cleaned = clean_text(text) encoded = tokenizer( cleaned, padding="max_length", truncation=True, max_length=128, return_tensors="pt" ) input_ids = encoded["input_ids"].to(device) attention_mask = encoded["attention_mask"].to(device) with torch.no_grad(): outputs = model(input_ids=input_ids, attention_mask=attention_mask) logits = outputs.logits pred = torch.argmax(logits, dim=-1).item() prob = torch.softmax(logits, dim=-1)[0].tolist() return {"label": "正面" if pred == 1 else "负面", "prob": prob} print(predict_single("房间很干净，位置也方便，下次还来")) print(predict_single("隔音太差了，一晚上没睡着"))softmax概率可以让预测结果具备可解释性。比如一条评论预测为正面，概率是0.998，另一条是0.55，前者显然更有信心。很多场景下阈值不一定要定在0.5，可以结合业务调整，比如只对高置信度的负面评论做人工介入。
6. 常见问题排查与避坑记录
6.1 显存不足与训练速度异常
BERT模型参数量大，显存占用比textCNN高一个量级。训练时如果batch_size设得太大，很容易爆显存。最常见的报错是CUDA out of memory。
解决办法有两个方向。一是减小batch_size，比如从32降到16，再不行降到8。二是使用梯度累积，逻辑上模拟大batch的效果，但显存消耗不变。做法是每隔几个step做一次优化器更新：
accumulation_steps = 2 for step, batch in enumerate(progress_bar): outputs = model(...) loss = outputs.loss / accumulation_steps loss.backward() if (step + 1) % accumulation_steps == 0: optimizer.step() scheduler.step() optimizer.zero_grad()这个技巧在显存有限但希望用大batch的场合很实用。在代码里把loss除以累积步数，再把梯度累积到几个batch后再更新参数，效果接近一次大batch更新。
训练速度太慢的话，优先检查是不是没用到GPU。nvidia-smi看一下显存占用，如果只有几MB占用，大概率数据或模型还在CPU上。另一个原因可能是DataLoader的num_workers没设置合理，在Linux环境可以设4或8，Windows下需要注意设置过大容易引发报错。
6.2 数据噪声和脏数据的坑
酒店评论数据里有一种常见陷阱：同一句话被复制了很多次。有些平台数据是爬虫抓的，重复评论很多，如果不去重，模型会对这些固定表达过拟合，影响泛化。跑训练前最好做一次文本级别去重。
另一种情况是文本和标签不匹配。比如评论内容本身很负面，但标注成了正面。这种情况在公开数据集里并不罕见。如果训练集中这类噪声较大，模型的表现上限会被直接限制。我的处理办法是在训练前抽样检查一批数据，用肉眼扫一遍标签是否合理，虽然花时间，但很值得。
还有一个小坑是关于中英文混排和繁体字的。有些评论里夹杂“床垫软硬适中，性价比OK”，如果bert的词典对英文字母处理不够好，最好把单独成词的英文去掉或替换掉。繁体字可以用opencc库转成简体，减少词典覆盖不到的概率。
6.3 效果不佳时的排查路径
如果你的模型测试集效果比预期低很多，按顺序排查。
先看预处理后的文本，打印几条出来肉眼观察是否合理，有没有被过度清洗导致关键信息丢失。再看训练loss曲线，如果loss已经收敛但验证集不高，典型过拟合，考虑增加数据或减少轮数。然后检查max_length，如果评论普遍很长而max_length太小，信息截断会直接伤害效果。最后看标签分布，极端不均衡的情况下，优先考虑加权重或换评估指标。
有一种情况容易被忽略：数据集的训练分布和真实场景分布不一致。比如训练数据全部是某一段时间内的评论，但线上用户习惯变化了，算法也会退化。这是模型上线后的事，可以在代码里预留定期重训的机制。
7. 几点实用心得和后续扩展方向
做完这个酒店评论情感分类项目，我对BERT微调这件事有了非常具体的感受。第一个感受是，BERT微调最大的坑不是代码写不出来，而是参数设置和数据处理细节过于隐蔽。同样的模型、同样的数据，学习率差一个量级，结果能差一大截。所以做项目时不要一上来就追求调参技巧，先跑通一个稳定流程，再逐步优化。
第二个感受是，别迷信指标，结合业务看效果。准确率再高，如果把最难判定的那部分评论全判错了，业务上还是用不起来。我后来在项目里加了概率阈值和人工抽检机制，效果反而比单纯追求指标更实用。对情感分类这类强主观性任务，数据标注本身的泛化极限就在那里，模型的提升空间需要靠数据质量来突破。
后续如果还想扩展，有几个方向可以参考。一是从二分类改成多分类，加入中性标签，让模型的粒度更细。二是在分类头上做文章，比如在BERT接入BiLSTM后再接分类层，对部分序列特征更丰富的文本会有效果。三是用领域语料做二次预训练，把酒店评论这种领域的语言风格注入模型，再跑下游分类精度能得到进一步改善。四是部署层面的优化，模型蒸馏、ONNX导出、batch推理这些手段能把推理速度提升数倍，适合真实线上场景。
这个项目做完后，我又用同样的代码结构跑过电商评论、新闻分类和客服工单打标几个任务，改动基本局限在数据清洗和标签数量上。BERT微调这件事，熟练了以后可以当成一套标准工具来用。前面提到的这些代码和细节，你拿自己的数据跑一遍，遇到的具体问题肯定比我这篇更个性，但排查思路和代码结构是可以直接抄作业的。
